电力行业大数据应用（三）用电负荷预警

一、问题描述

迎峰度夏期间，公司电网运行将面临连续高温、高湿等恶劣天气的考验，目前对负荷的预测主要凭借历史经验，准确性有待进一步提升。

二、实现思路

从EMS系统日测量点负荷曲线台账信息、日测量点负荷曲线（24点）两张源表获取近三年迎峰度夏期间全省及17地市全网用电0点-23点实点负荷数据，并通过单位编码及时间关联气象数据表，获取每日的最高负荷时温度、湿度、天气状况等数据信息，作为用电负荷预警分析的基础数据。

根据短期电力负荷预测场景中既有一定的时间序列特性，同时还受到温度、节假日等因素的影响，从而使用长期短期记忆网络(LSTM)进行负荷预测。

流程示意图

（1）输入数据的预处理

输入的数据存在某些时间段负荷或者温度缺失的情况，通过临近的节点对数据进行补全，从而保证时间的完整性，另外增加一列用于标注节假日。

（2）输入输出量的选择

本场景主要预测未来一周24小时的负荷，选择的输入特征包括时间，温度，节假日状态。在时间序列模型阶数的选择上，使用用前7天的历史负荷数据作为特征向量滚动预测未来7天的数据。

（3）LSTM神经网络结构的确定

确定了输入输出量之后，下一步关键工作是确定一个合适的网络结构，网络结构中，最核心的步骤是先确定输入输出节点个数。

场景采用多变量单模型方法构建网络即用24个输出节点代表一天的24小时，同时预测一天各小时的负荷数。在传统方法中若采用此种结构的网络，网络的结构将会极为复杂，极大地影响网络的运算速度和预测精度。由于LSTM网络权重共享方式上与传统神经网络的不同，当采用24个输出节点时，LSTM所需要学习的参数相比于传统神经网络大为减少，极大地方便了模型的建立，仅需要一个网络即可完成高精度的负荷预测。

（4）验证结果

使用我市17~18年两年的数据作为训练数据，19年1月份的数据作为预测数据，预测结果评判使用最广泛的为平均百分误差（MAPE），其定义为 。其中Li与Li′分别为真实值与预测值。最终预测准确率达到90%。

三、主要成果

基于历史两年的负荷与温度变化规律分析得出以下结论：迎峰度夏期间连续3到5天持续高温，负荷将达到一个峰值，当温度达到最高且持续3天以上，将出现最高负荷；通常情况下，内陆城市气温持续36度、沿海城市气温持续34度时，电网出现最高负荷。